基于机器学习的老年PCI术后一年主要不良心血管事件预测模型构建与验证研究

《BMC Medical Informatics and Decision Making》：Applied machine learning to predict 1-year major adverse cardiovascular events in elderly patients after percutaneous coronary intervention

本研究针对传统风险评分模型在老年STEMI患者经皮冠状动脉介入治疗(PCI)后主要不良心血管事件(MACE)预测性能不足的临床难题，通过回顾性分析1,358例老年PCI患者数据，系统比较了八种机器学习算法。结果表明随机森林(RF)和XGBoost模型预测效能最优(AUC分别达0.95和0.94)，SHAP分析揭示射血分数(EF)、年龄、肌酐等关键预测因子，为老年心血管疾病精准防控提供了可解释的决策支持工具。

　　

心血管疾病始终是全球范围内导致死亡的首要原因，而在ST段抬高型心肌梗死(STEMI)患者中，老年群体的预后情况尤为严峻。随着人口老龄化进程加速，老年STEMI患者在接受经皮冠状动脉介入治疗(PCI)后的长期管理面临巨大挑战。传统风险分层工具如TIMI和GRACE评分在老年患者中表现不佳，因其复杂风险特征（包括衰弱、共病多重性及生理机能退化）难以通过线性模型完全捕捉。

在这一临床背景下，Jolfayi等研究人员开展了一项创新性研究，旨在开发能够准确预测老年PCI患者一年主要不良心血管事件(MACE)的机器学习模型。该研究回顾性分析了2015年至2021年间在德黑兰心脏中心接受PCI的1,358名65岁以上患者数据，MACE定义为包括心血管死亡、心肌梗死、卒中及血运重建在内的复合终点。

研究团队采用了一套完整的技术路线：首先通过单变量分析筛选显著预测因子，运用合成少数类过采样技术(SMOTE)处理数据不平衡问题，进而系统比较了XGBoost、随机森林(RF)、逻辑回归等八种机器学习算法性能。模型评估采用五折交叉验证，并通过SHAP（Shapley加性解释）方法增强模型可解释性，最终确定最优预测模型并解析关键风险因素。

研究结果

患者基线特征：研究纳入的1,358名患者平均年龄为74.1±6.7岁，女性占比31.8%。MACE发生率为11.2%（152例）。单变量分析显示，MACE组患者具有较低基线射血分数(EF)(37.1% vs 40.9%)、较高年龄(76.5岁 vs 73.9岁)及更差的代谢指标（包括更高空腹血糖和肌酐水平）。

模型性能比较：八种机器学习算法中，集成学习方法表现最优。随机森林(RF)模型获得最高AUC值0.953（95%置信区间：0.943-0.964），灵敏度79.3%，特异度96.7%。XGBoost模型紧随其后，AUC达0.941。传统模型如逻辑回归、支持向量机等表现相对较差（AUC约0.81），凸显了复杂算法在捕捉非线性关系方面的优势。

特征重要性分析：SHAP分析揭示了影响MACE预测的关键因素排序。术前射血分数(EF)贡献度最高（SHAP值+1.25），其次是年龄(+0.93)、肌酐水平(+0.92)、空腹血糖(FBS)、体重指数(BMI)及低密度脂蛋白/高密度脂蛋白(LDL/HDL)比值。值得注意的是，低EF值、高龄、高肌酐和高FBS水平与MACE风险增加正相关，而低BMI和低LDL/HDL比值同样预示不良结局，这可能反映了老年人群中存在的"肥胖悖论"现象。

讨论与结论

本研究通过大规模临床数据验证了机器学习在老年PCI患者风险分层中的卓越性能。与既往研究相比，该研究具有多重创新：专门聚焦高龄这一特殊人群，采用多算法比较框架，并引入SHAP解释性分析增强临床实用性。研究发现传统心血管风险因素（如高血压、吸烟史）在老年群体中预测价值减弱，而生理功能指标（EF、肾功能）和代谢参数（血糖、血脂比值）成为更可靠预测因子。

研究的临床意义在于提供了个体化风险预测工具，可帮助临床医生识别高危老年患者并实施针对性干预。例如，对模型识别的高危个体，可加强血糖管理、肾功能监测和营养支持。模型整合至电子病历系统后，有望实现实时风险预警和精准医疗决策。

然而，研究也存在若干局限性：单中心回顾性设计可能引入选择偏倚；未考虑药物治疗依从性等潜在混杂因素；缺乏外部验证队列验证模型泛化能力。未来研究需通过多中心前瞻性设计进一步验证模型效能，并探索整合影像学、基因组学等多模态数据的深度学习框架。

该研究发表于《BMC Medical Informatics and Decision Making》，为老年心血管疾病精准医疗提供了重要方法论支持，标志着人工智能在临床决策支持系统中的应用迈出实质性一步。通过将高性能预测模型与可解释人工智能(XAI)技术结合，不仅提升了预测准确性，也增强了临床医生对AI决策的信任度，为后续临床转化应用奠定坚实基础。